Nass

IT Developer 💻

[Le Dev Markdown @ace_the_agent]

Hermes est génial ! On est d'accord là dessus.

La facilité d'installation et de prise en main explique que tout le monde l'utilise.

Il se configure lui même, se diagnostique tout seul.

Ça fait maintenant plusieurs semaines que j'utilise Hermes, et je m'amuse bien avec.

Mais en tant que grand défenseur des agents spécialisés, je continue de penser qu'Hermes overkill pour pas mal de tâches.

Tu n’as pas besoin de 40+ outils et d’une boucle d’apprentissage pour résumer trois paragraphes, traduire un extrait, catégoriser un mail ou extraire cinq bullets d’un PDF.

C'est un peu comme utiliser un marteau pour planter une punaise dans du liège. Ça fonctionne mais c'est surdimensionné.

[xavier (jack) @KMkota0]

hot take:
your launch video should probably be 10s or less

[Browser Use @browser_use]

Browser Use plugin officially inside Grok build

[Browser Use @browser_use]

Browser Use CLI makes your Hermes agent 10x better. Make sure to update to latest version!!

[Browser Use @browser_use]

Breaking: Browser Use is faster than a human⚡

Running Qwen 3.8 27B on 2x B200s with DFlash2.

> speed ✅
> cost ✅
> accuracy ✅ (most of the time)

Qwen 27B is better at using the internet than you are. The only bottleneck is website loading.

Comment if you want us to deploy this to our cloud 👀

[Nass @AKATVA93]

@leonardoballand @poteto Salut, comment as-tu fait ? C’est une demande spécifique ?

[かる @caru_ini]

俺的最強技術スタックこれ
異論は認める

[Nass @AKATVA93]

@Celebrityhaze Please god I hope this f video is IA pleaseeeeee

[Nass @AKATVA93]

@lerenoisauvag @Phoenix71400 @Onizuking_OP Oui

[Le K @KoumoBur]

dès qu’on me mentionnera quelque part je répondrais avec ce gif

[Nass @AKATVA93]

@bhavikdesigns Magnifique

[Zafar Ismatullaev @iszafar92]

A mobile demo and the icons in a real app, at real size. Coming soon as @shadcn icons

[Nass @AKATVA93]

@leploutos peux-tu me rappeler ton logiciel pour faire des beaux screen comme ça ?

[Le PLOUTOS @leploutos]

Fin avril, j'ai quitté mon CDI pour me lancer seul dans l'IA.

Mon plan était assez simple : commencer comme indépendant, construire des agents IA pour des entreprises, comprendre le terrain, puis créer une vraie structure si le marché suivait.

Je pensais avoir le temps.

Sauf que depuis début mai, j'ai facturé près de 40 000 € de CA. En trois mois et demi. La demande continue d'augmenter, les semaines dépassent régulièrement les 70 heures et ce qui devait être un test est devenu une entreprise.

Aujourd'hui, je suis donc très fier de vous présenter cette entreprise, @Kirako_AI. Kirako conçoit et déploie des agents IA sur mesure pour les entreprises avec Hermes, OpenClaw, n8n ou des systèmes entièrement custom.

Pas d'agent miracle vendu sur catalogue. On part des besoins, des contraintes et des outils de chaque entreprise. Puis on construit la configuration, le persona, les skills, les scripts et les intégrations qui correspondent réellement à son fonctionnement.

Kirako accompagnera également les dirigeants avec de la formation et du conseil pour les aider à comprendre où l'IA peut vraiment leur faire gagner du temps et de l'argent.

Pour mes clients, rien ne change. L'accompagnement restera sur mesure.

Pour moi, c'est la suite logique : une équipe va se construire autour de Kirako pour absorber une demande de plus en plus forte sans sacrifier la qualité des agents livrés.

Il y a quelques mois, j'étais encore salarié avec cette idée dans un coin de la tête. Aujourd'hui, elle a un nom, un site et bientôt une équipe.

L'ambition est claire : D'ici 12 à 24 mois, faire de Kirako le leader francophone de l'IA sur mesure pour les entreprises.

[Brooklyn! @imbabybrooklyn]

You don't tell Hermes which app you mean anymore. Put the bar over it and say "this" xx

@NousResearch @Teknium

[Brooklyn! @imbabybrooklyn]

Hermes Desktop now has an in-app browser that hermes can control and is aware of
@NousResearch

[Harman @itsharmanjot]

EVERYONE'S TRYING TO SOLVE AI TEAM MEMORY WITH SERVERS, VECTOR DATABASES, AND ORCHESTRATION PLATFORMS. THIS OPEN SOURCE TOOL DOES IT WITH ONE FOLDER IN YOUR REPO.

Every dev on your team runs Claude Code. When one agent screws something up, the rest have no idea. They just repeat the mistake next week.

It's called teamlore. When your agent gets corrected or breaks something, it writes a small lore file into a .lore/ folder. That file ships with your PR, gets reviewed like normal code, and after merge every teammate's agent automatically recalls it when they touch that part of the repo.

No server. No databhttps://www.npmjs.com/package/teamlorease. No accounts. No SaaS bill. Just a folder in git.

Which means code review catches bad lessons before they poison the team, git blame tells you when a rule was added and why, and the whole thing works offline.

One command to install: npx teamlore init

Companion command: npx teamlore scarmap. Turns your team's history of mistakes into a visual heat map of the codebase. Every red zone is a place your team has been burned before. Which means every red zone is a place your agents should slow down.

Here's the wildest part.

The teamlore repo's own .lore/ folder contains every mistake Claude made while building teamlore itself. Dogfooded end-to-end. You can literally open the folder and read the receipts.

The author's public invitation: "Would love for someone to try and break it."

Available on npm. Repo just launched.

100% open source.

(link in the comments)

[Brooklyn! @imbabybrooklyn]

Do we like node workflows?

[0xMarioNawfal @RoundtableSpace]

HOW TO RUN YOUR ENTIRE WORKDAY ON AI LOOPS INSTEAD OF REPEATING PROMPTS:

📁 loop-engineering
┃
┣📁 Contract
┃ ┣📁 /claude-md
┃ ┣📁 /house-rules
┃ ┣📁 /tone-and-scope
┃ ┗📁 /stop-conditions
┃
┣📁 Loop Types
┃ ┣📁 /turn-based
┃ ┣📁 /goal-based
┃ ┣📁 /time-based
┃ ┣📁 /proactive
┃ ┗📁 /auto-mode
┃
┣📁 Triggers
┃ ┣📁 /schedule
┃ ┣📁 /on-file-change
┃ ┣📁 /on-pr-open
┃ ┣📁 /on-ci-fail
┃ ┣📁 /on-new-issue
┃ ┗📁 /manual-kickoff
┃
┣📁 Verifiers
┃ ┣📁 /verifier-md
┃ ┣📁 /adversarial-reviewer
┃ ┣📁 /fresh-context-grader
┃ ┣📁 /test-runner
┃ ┣📁 /lighthouse-check
┃ ┗📁 /diff-sanity
┃
┣📁 Skills
┃ ┣📁 /skill-creator
┃ ┣📁 /self-check
┃ ┣📁 /research-sweep
┃ ┣📁 /refactor-pass
┃ ┣📁 /doc-sync
┃ ┗📁 /skill-scout
┃
┣📁 Graph Shapes
┃ ┣📁 /chain
┃ ┣📁 /diamond
┃ ┣📁 /router
┃ ┣📁 /cycle
┃ ┗📁 /merge-verify
┃
┣📁 Isolation
┃ ┣📁 /git-worktrees
┃ ┣📁 /sandbox-run
┃ ┣📁 /branch-per-loop
┃ ┗📁 /blast-radius
┃
┣📁 Budget
┃ ┣📁 /turn-cap
┃ ┣📁 /model-routing
┃ ┣📁 /cheap-model-first
┃ ┣📁 /token-report
┃ ┗📁 /cost-per-run
┃
┣📁 Memory
┃ ┣📁 /company-brain
┃ ┣📁 /past-runs
┃ ┣📁 /decisions-log
┃ ┣📁 /known-failures
┃ ┗📁 /context-handoff
┃
┣📁 Hooks
┃ ┣📁 /pre-commit
┃ ┣📁 /post-run
┃ ┣📁 /on-error
┃ ┗📁 /notify-me
┃
┣📁 Daily Loops
┃ ┣📁 /ci-babysitter
┃ ┣📁 /pr-triage
┃ ┣📁 /inbox-sweep
┃ ┣📁 /bug-hunt
┃ ┣📁 /dependency-watch
┃ ┗📁 /morning-report
┃
┗📁 Ops
┣📁 /run-sh
┣📁 /loop-registry
┣📁 /failure-postmortem
┣📁 /pilot-before-scale
┗📁 /weekly-review

[diva @divaagurlxw]

As an AI Engineer. Please learn

>Harness engineering, not just prompt engineering

>Context engineering, not just long prompts

>Prompt caching vs. semantic caching tradeoffs

>KV cache management, eviction, reuse, and memory pressure at scale

>Prefill vs. decode latency and why they optimize differently

>Continuous batching, paged attention, and throughput optimization

>Speculative decoding vs. quantization vs. distillation tradeoffs

>INT8, INT4, FP8, AWQ, GPTQ, and when quantization hurts quality

>Structured output failures, schema validation, repair loops, and fallback chains

>Function calling reliability, tool contracts, argument validation, and idempotency

>Agent guardrails, loop budgets, tool budgets, and termination conditions

>Model routing, graceful fallback logic, and degraded-mode UX

>RAG architecture: chunking, embeddings, hybrid search, reranking, and freshness

>Retrieval evals: recall, precision, grounding, attribution, and citation quality

>Evals: golden sets, regression tests, adversarial tests, LLM-as-judge, and human evals

>LLM observability as a first-class discipline: traces, spans, tokens, latency, errors, and drift

>Cost attribution per feature, workflow, tenant, and user journey not just per model

>Safety engineering: prompt injection defense, data leakage prevention, and permission boundaries

>Multi-tenant isolation, cache safety, and cross-user context contamination prevention

>Fine-tuning vs. in-context learning vs. RAG vs. distillation and when each is the wrong tool

>Latency, quality, cost, and reliability tradeoffs across the full inference stack

>Production failure modes: hallucinated tool calls, malformed JSON, stale retrieval, runaway agents, and silent eval regressions